Wayback Machine 是 Internet Archive 的公开网页存档项目,从 1996 年开始抓取公开可访问的页面,按时间保存 HTML、图片等资源。它不是搜索引擎,也不是全量备份。

怎么抓

通过爬虫、合作伙伴和用户主动提交(Save Page Now)获取 URL,按抓取时间生成快照。抓取频率取决于站点权重、更新频率和爬虫预算,没有固定周期。

四个局限

  • 不是全量:小站、新站、被墙站、robots 禁止抓取的站,存档率低;
  • 不是实时:快照只代表抓取那一刻,站点改版后不会自动补;
  • 动态内容缺失:JS 渲染、登录后内容、接口数据通常抓不到;
  • 资源可能残缺:CSS、图片、字体经常缺失,页面样子和当年有差距。

对我们的影响

所以档案页只能回答“被存档过什么”,不能回答“这个站当年一定是什么”。判断历史时要结合标题连续性、状态码和原文抽查。

本站的建站历史查询就是把 Wayback 的 CDX 索引按月份整理,省去逐个快照点开的时间。

相关阅读:空标题原因 · 建站历史怎么查